기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Neptune ML의 Gremlin 노드 분류 쿼리
Neptune ML의 Gremlin 노드 분류의 경우:
모델은 버텍스의 한 속성에 대해 훈련됩니다. 이 속성의 고유한 값 세트를 노드 클래스 세트 또는 간단히 클래스라고 합니다.
버텍스 속성의 노드 클래스 또는 범주형 속성 값은 노드 분류 모델에서 유추할 수 있습니다. 이는 이 속성이 아직 버텍스에 연결되지 않은 경우에 유용합니다.
노드 분류 모델에서 하나 이상의 클래스를 가져오려면 조건자
Neptune#ml.classification과 함께with()단계를 사용하여properties()단계를 구성해야 합니다. 출력 형식은 버텍스 속성일 때 예상할 수 있는 것과 비슷합니다.
참고
노드 분류는 문자열 속성 값에서만 작동합니다. 즉, 문자열에 해당하는 항목인 "0" 및 "1"은 지원되지만, 0 또는 1과 같은 숫자 속성 값은 지원되지 않습니다. 마찬가지로, 부울 속성 값 true 및 false도 작동하지 않지만, "true" 및 "false"는 작동합니다.
다음은 샘플 노드 분류 쿼리입니다.
g.with( "Neptune#ml.endpoint","node-classification-movie-lens-endpoint" ) .with( "Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role" ) .with( "Neptune#ml.limit", 2 ) .with( "Neptune#ml.threshold", 0.5D ) .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification")
이 쿼리의 출력은 다음과 같습니다.
==>vp[genre->Action] ==>vp[genre->Crime] ==>vp[genre->Comedy]
위 쿼리에서는 V() 및 properties() 단계가 다음과 같이 사용됩니다.
이 V() 단계에는 노드 분류 모델에서 클래스를 가져오려는 버텍스 세트가 포함됩니다.
.V( "movie_1", "movie_2", "movie_3" )
properties() 단계에는 모델이 훈련된 키가 포함되어 있으며, 노드 분류 ML 추론 쿼리임을 나타내는 .with("Neptune#ml.classification")가 있습니다.
여러 속성 키는 현재 properties().with("Neptune#ml.classification") 단계에서 지원되지 않습니다. 예를 들어, 다음과 같은 쿼리로 인해 예외가 발생합니다.
g.with("Neptune#ml.endpoint", "node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre", "other_label").with("Neptune#ml.classification")
구체적인 오류 메시지는 Neptune ML 예외 목록을 참조하세요.
properties().with("Neptune#ml.classification") 단계는 다음 단계 중 하나와 함께 사용할 수 있습니다.
value()value().is()hasValue()has(value,"")key()key().is()hasKey()has(key,"")path()
기타 노드 분류 쿼리
추론 엔드포인트와 해당 IAM 역할이 모두 DB 클러스터 파라미터 그룹에 저장된 경우 노드 분류 쿼리는 다음과 같이 간단할 수 있습니다.
g.V("movie_1", "movie_2", "movie_3").properties("genre").with("Neptune#ml.classification")
다음 union() 단계를 사용하여 쿼리에 버텍스 속성과 클래스를 혼합할 수 있습니다.
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .union( properties("genre").with("Neptune#ml.classification"), properties("genre") )
다음과 같이 무한 쿼리를 만들 수도 있습니다.
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V() .properties("genre").with("Neptune#ml.classification")
다음 as() 단계와 함께 select() 단계를 사용하여 버텍스와 노드 클래스를 검색할 수 있습니다.
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ).as("vertex") .properties("genre").with("Neptune#ml.classification").as("properties") .select("vertex","properties")
다음 예제에 나와 있는 것처럼 노드 클래스를 기준으로 필터링할 수도 있습니다.
g.with("Neptune#ml.endpoint", "node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, "Horror") g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, P.eq("Action")) g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, P.within("Action", "Horror"))
Neptune#ml.score 조건자를 사용하여 노드 분류 신뢰도 점수를 얻을 수 있습니다.
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre", "Neptune#ml.score").with("Neptune#ml.classification")
응답은 다음과 같습니다.
==>vp[genre->Action] ==>vp[Neptune#ml.score->0.01234567] ==>vp[genre->Crime] ==>vp[Neptune#ml.score->0.543210] ==>vp[genre->Comedy] ==>vp[Neptune#ml.score->0.10101]
노드 분류 쿼리에서 유도 추론 사용
Jupyter Notebook의 기존 그래프에 다음과 같이 새 노드를 추가한다고 가정해 보겠습니다.
%%gremlin g.addV('label1').property(id,'101').as('newV') .V('1').as('oldV1') .V('2').as('oldV2') .addE('eLabel1').from('newV').to('oldV1') .addE('eLabel2').from('oldV2').to('newV')
그런 다음 유도 추론 쿼리를 사용하여 새 노드를 반영하는 장르 및 신뢰도 점수를 얻을 수 있습니다.
%%gremlin g.with("Neptune#ml.endpoint", "nc-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("genre", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference")
하지만 쿼리를 여러 번 실행하면 결과가 약간 다를 수 있습니다.
# First time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.21365921]
동일한 쿼리를 결정적으로 만들 수 있습니다.
%%gremlin g.with("Neptune#ml.endpoint", "nc-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("genre", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference") .with("Neptune#ml.deterministic")
그러면 결과는 매번 거의 동일하게 나타납니다.
# First time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678]
